Gândirea științei datelor: A Data Science Practitioner's Guide

Titlul original:

Thinking Data Science: A Data Science Practitioner's Guide

Conținutul cărții:

Acest ghid definitiv pentru proiectele de învățare automată răspunde problemelor pe care le întâmpină frecvent un cercetător de date aspirant sau experimentat: Confuz cu privire la ce tehnologie să folosesc pentru dezvoltarea ML? Ar trebui să folosesc GOFAI, ANN/DNN sau Transfer Learning? Mă pot baza pe AutoML pentru dezvoltarea modelului? Ce se întâmplă dacă clientul îmi furnizează Gig și Terabytes de date pentru dezvoltarea modelelor analitice? Cum gestionez seturile de date dinamice de înaltă frecvență? Această carte oferă practicianului o consolidare a întregului proces al științei datelor într-o singură "Cheat Sheet".

Provocarea pentru un om de știință în domeniul datelor este de a extrage informații semnificative din seturi uriașe de date care vor ajuta la crearea unor strategii mai bune pentru întreprinderi. Numeroși algoritmi de învățare automată și rețele neuronale sunt concepute pentru a efectua analize pe astfel de seturi de date.

Pentru un om de știință a datelor, este o decizie descurajantă să decidă ce algoritm să utilizeze pentru un anumit set de date. Deși nu există un răspuns unic la această întrebare, este necesară o abordare sistematică a rezolvării problemelor. Această carte descrie conceptual diferiții algoritmi ML și definește/discută un proces în selectarea modelelor ML/DL.

Consolidarea algoritmilor și tehnicilor disponibile pentru proiectarea de modele ML eficiente este aspectul cheie al acestei cărți. Thinking Data Science va ajuta oamenii de știință de date practicanți, academicienii, cercetătorii și studenții care doresc să construiască modele ML folosind algoritmi și arhitecturi adecvate, indiferent dacă datele sunt mici sau mari.